Фреймворк «Сбор контекста» (Context Gathering)

Паттерн для быстрого исследования: начни широко, быстро сузись, остановись, как только можешь действовать.

Цель: “Собери достаточно контекста быстро. Параллелизируй поиск и остановись, как только сможешь действовать.”
Метод: “Начни широко, затем разветвись на фокусные подзапросы...”
Ранний стоп: “Остановись, если можешь назвать точное место изменений, или если ~70% топ-результатов сходятся...”
Эскалация: “Если есть противоречия, сделай одну уточняющую пачку и двигайся.”
Цикл: “Пакетный поиск → минимальный план → выполнение.”

Структура промптов: как оформлять

XML-подобные секции/теги повышают следование инструкциям. Используйте теги с явной семантикой:

<goal>Добавь адаптивную навбар…</goal>
<constraints>BEM, Tailwind, hooks, путь компонентов…</constraints>
<steps>1) Анализ; 2) План; 3) Реализация; 4) Резюме</steps>
<stopping_criteria>Навбар работает, меню открывается...</stopping_criteria>
<output_format>Патч + краткий список изменений</output_format>
                    

Фреймворк "Управление агентностью"

Агентность — это способность модели действовать самостоятельно. Вы можете настроить, насколько независимой она будет.

Выполни только первый шаг и остановись.
Покажи мне план действий перед выполнением.
Используй максимум 2 инструмента.
Спрашивай разрешение на каждое важное действие.

Продолжай работать, пока задача не решена.
Используй все доступные инструменты.
Не задавай уточняющих вопросов.
Если встретишь препятствие — найди обходной путь.

Техника "Умный сбор контекста"

GPT-5 по умолчанию очень тщателен при сборе информации. Этот подход помогает ускорить процесс, задав чёткие критерии остановки.

<context_gathering>
  <strategy>
    1. Начни с широкого поиска по теме
    2. Быстро определи ключевые области
    3. Углубись в 2-3 самые важные
    4. Остановись, когда сможешь дать конкретный ответ
  </strategy>
  <stopping_criteria>
    - Нашёл подтверждение из 3+ источников
    - Можешь назвать конкретные шаги решения
  </stopping_criteria>
</context_gathering>

Практические шаблоны для разных задач

<role>Ты — аналитик данных</role>
<task>Проанализируй продажи за квартал</task>
<focus_areas>
  - Топ-5 продуктов по выручке
  - Динамика по месяцам
</focus_areas>
<output>Дашборд с визуализациями и выводами</output>

<programming_task>
  <goal>Создать REST API для управления задачами</goal>
  <requirements>
    - Язык: Python с FastAPI
    - Аутентификация: JWT токены
  </requirements>
  <code_style>
    - Используй type hints
    - Следуй PEP 8
  </code_style>
</programming_task>

<creative_brief>
  <type>Маркетинговый текст</type>
  <product>Умная кофемашина HomeBarista Pro</product>
  <target_audience>Люди 25-45 лет</target_audience>
  <tone>Дружелюбный, но экспертный</tone>
  <must_include>
    - 3 ключевых преимущества
    - Призыв к действию
  </must_include>
</creative_brief>

Продвинутые техники

<tool_usage>
  <before_search>
    Сейчас я буду искать актуальные данные о ценах на кофе, чтобы сравнить с нашими.
  </before_search>
  <success_criteria>
    Найти минимум 5 конкурентов с ценами за последний месяц.
  </success_criteria>
</tool_usage>

<thinking>
Сначала подумай над задачей и запиши свои рассуждения здесь.
</thinking>
<analysis>
Проанализируй свои рассуждения и найди слабые места.
</analysis>
<solution>
Теперь дай финальное решение с учётом анализа.
</solution>

Умная настройка `reasoning_effort`

Правильный выбор этого параметра — ключ к балансу между скоростью и качеством.

Техника самопроверки

Заставьте модель проверять свою работу перед отправкой ответа. Это значительно повышает качество и точность.

<validation_checklist>
Перед отправкой ответа проверь:
□ Все требования из задания выполнены?
□ Код работает без ошибок?
□ Ответ понятен целевой аудитории?
□ Использованы актуальные данные?
□ Нет противоречий в тексте?

Если хотя бы один пункт не выполнен — исправь и проверь снова.
</validation_checklist>

Борьба с типичными проблемами

<specificity_requirements>
- Используй конкретные числа, а не "много"
- Приводи реальные примеры, а не абстракции
- Указывай точные сроки, а не "в ближайшее время"
</specificity_requirements>

<scope_control>
  <allowed_topics>
    - Только технические аспекты проекта
  </allowed_topics>
  <forbidden>
    - Не давай общих советов по менеджменту
  </forbidden>
</scope_control>

<priority_order>
1. Точность информации (самое важное)
2. Соответствие формату
3. Скорость выполнения
4. Креативность (наименее важное)
</priority_order>

Финальный чек-лист эффективного промпта

Ключевые отличия GPT-5 и режим «Thinking»

GPT-5 вводит явный «режим мышления» (reasoning/Thinking), который задействует более глубокие рассуждения. Задача инженера — проектировать сложные когнитивные процессы, а не просто писать запросы. Это требует понимания новых параметров и паттернов.

Практические правила для промптов GPT-5

Как эффективно управлять поведением модели и избегать распространенных ошибок.

• Настраивайте «агентную настойчивость»: Четко определите, когда модель должна действовать самостоятельно, а когда — запрашивать подтверждение. Устанавливайте лимиты на вызовы инструментов для контроля.
• Избегайте противоречий в правилах: GPT-5 «хирургически» следует инструкциям. Конфликты в правилах тратят ресурсы и снижают качество. Устраняйте их и задавайте приоритеты.
• Работайте с API правильно: В многошаговых сценариях используйте Responses API с store=true и передавайте previous_response_id, чтобы сохранять и переиспользовать рассуждения между шагами.
• Явно запрашивайте Markdown: Reasoning-модели по умолчанию могут отключать форматирование. Чтобы его включить, используйте developer-message с фразой "Formatting re-enabled" в первой строке.

Проектирование промпта для GPT-5

Промпт превращается в программу, которая определяет последовательность когнитивных операций.

<prompt>
  <role>Ты — системный архитектор.</role>
  <objective>Создать Python-скрипт для обработки данных.</objective>

  <reasoning_framework>
    <instruction>Включи «режим мышления». Используй самокритику.</instruction>
    <steps>
      <step n="1" name="План">
        Сначала, думая шаг за шагом, создай подробный план. Рассмотри крайние случаи.
      </step>
      <step n="2" name="Реализация">
        На основе плана напиши полный Python-скрипт.
      </step>
      <step n="3" name="Критика и Уточнение">
        Критически пересмотри свой код. Задай себе вопросы: "Эффективен ли он? Надежна ли обработка ошибок?" Предоставь финальную, уточненную версию.
      </step>
    </steps>
  </reasoning_framework>
  
  <requirements>
    1. Ввод: Аргумент командной строки для пути к CSV.
    2. Логика: Фильтровать по 'California', вычислять возраст.
    3. Обработка ошибок: `FileNotFoundError`.
  </requirements>

  <output_format>
    Представь ответ в порядке: 1. План, 2. Начальная Реализация, 3. Самокритика и Уточнение.
  </output_format>
</prompt>

Эволюция промптов: от 4.0 к GPT-5

Подход к написанию промптов кардинально изменился с появлением новых моделей, требуя большей точности и структурности.

• Этап 1: GPT-4.0/4o — Основа: четкая формулировка, отделение инструкций от контекста, демонстрация формата через примеры.
• Этап 2: GPT-4.1 — Миграция к буквальности: введение явных секций (Rules, Schema), "напоминаний" для агентности и дублирование инструкций в длинном контексте.
• Этап 3: o-серия (Reasoning) — Появление управления "глубиной мысли": явные запросы на планирование, свобода выбора инструментов и контроль через API (reasoning_effort).
• Этап 4: GPT-5 — Появление маршрутизатора и "мышления по необходимости": промпты содержат сигналы о сложности задачи для активации глубокого анализа и настройки через параметры платформы.

Готовые шаблоны для новых моделей

# Role
Ты — [роль]. Работай автономно до полного решения.

# Reminders
- Persistence: не завершай ход, пока задача не решена.
- Tool-calling: если не уверен — зови инструменты, не угадывай.
- Planning (optional): перед каждым вызовом инструмента опиши план.

# Output format
[четкий формат секций/JSON/таблицы]

# Steps
1) Понять задачу
2) План
3) Вызовы инструментов
4) Валидация
5) Итог

Преобразователи промптов: миграция на GPT-5

Алгоритмы для адаптации старых промптов к новым, более требовательным моделям.

Алгоритм миграции 4.0 → 4.5 (GPT-5-ready)

• Примените все практики для GPT-4.1 (буквальность, reminders, schema, дублирование инструкций).
• Вставьте "сигнал" для маршрутизатора: добавьте фразу вроде "При сложной задаче — думай глубже перед ответом; составь план и проверь гипотезы".
• Предусмотрите управление через API: используйте параметры `reasoning_effort`, `verbosity`, `preamble`, если платформа их поддерживает.

import re

def migrate_40_to_45_forward(prompt: str) -> str:
    # Применяем лучшие практики от GPT-4.1
    p = migrate_40_to_41(prompt) # предполагается наличие этой функции

    # Вставляем сигнал для глубокой мысли (маршрутизация GPT-5)
    thinking_signal = (
        "\n### Thinking Signal\n"
        "If the task is complex or ambiguous, think deeply before answering; "
        "draft a short plan, list key assumptions, and validate results.\n"
    )
    if '### Thinking Signal' not in p:
        p += thinking_signal

    # Укажем желаемую лаконичность/подробность (совместимость с verbosity)
    p += "\n### Style\nVerbosity: medium. Prefer concise reasoning in final output.\n"
    
    return p

# (Функция migrate_40_to_41 должна быть определена отдельно)

FAQ: Частые практические вопросы